ML Engineer

Pubblicato il 17-11-2026 · Rombo Ai · Verona

Siamo una giovane azienda specializzata in intelligenza artificiale per dati scientifici. Sviluppiamo sistemi proprietari e brevettati di AI per analizzare spettri NMR e lavoriamo con clienti industriali e scientifici internazionali, tra cui grandi gruppi dell’energia e della chimica.

Siamo un team piccolo e molto qualificato. Ci piacciono il pensiero rigoroso e concreto, l’onestà intellettuale e poca burocrazia. Vogliamo un’azienda con un’alta concentrazione di talento, dove persone capaci possano fare il lavoro migliore della loro carriera.

Il ruolo

Svilupperai i modelli di deep learning al centro dei nostri prodotti, compresi i foundation model per la spettroscopia NMR. Seguirai tutto il percorso: definizione del problema chimico, dataset, architettura, training, validazione e messa in produzione.

Un modello per noi è buono quando funziona su dati reali ed è chimicamente plausibile, non solo quando ha buone metriche. Per questo la sensibilità chimica è importante quanto quella da ML.

Cosa farai

- Progettare, implementare e addestrare reti neurali per spettri e segnali scientifici: transformer, autoencoder, modelli sequenziali e generativi.
- Contribuire ai foundation model NMR con pretraining, self-supervised learning, fine-tuning e transfer learning.
- Costruire dataset di grandi dimensioni e pipeline di training riproducibili su GPU.
- Progettare il preprocessing degli spettri: baseline, allineamento, normalizzazione, riduzione dimensionale.
- Confrontare i modelli neurali con approcci chemiometrici classici (PCA, PLS, PLS-DA) e scegliere il più adatto.
- Definire una validazione solida dal punto di vista statistico e chimico, e studiare robustezza, generalizzazione, data leakage e dominio di applicabilità.
- Portare i modelli in produzione e ottimizzarne l’inferenza.
- Tradurre i problemi dei clienti in obiettivi computazionali, insieme a chimici, software engineer e partner scientifici.

Stack

Python, PyTorch (o TensorFlow), NumPy, SciPy, pandas, scikit-learn,



strumenti di experiment tracking e versionamento di modelli e dataset, container, cloud (AWS, GCP o Azure). GPU Nvidia H100 e DGX Spark.

Requisiti essenziali

Machine learning

- Almeno 3 anni di esperienza pratica nello sviluppo di modelli di deep learning.
- Ottima conoscenza di Python e PyTorch o di un framework equivalente.
- Hai progettato e addestrato reti neurali tu stesso, non ti sei limitato a usare modelli preesistenti o API.
- Solida comprensione di generalizzazione, regolarizzazione e validazione dei modelli.

Chimica

- Laurea magistrale o dottorato in chimica, chimica fisica, chimica computazionale, chemiometria o in un ambito affine con una forte componente chimica.
- Esperienza concreta di ML applicato a dati chimici o spettroscopici (NMR, IR, Raman, MS, cromatografia) o a dati molecolari.
- Capacità di giudicare se il risultato di un modello ha senso chimicamente.

Altro

- Buon inglese scritto e parlato.
- Autonomia e capacità di affrontare problemi aperti con informazioni incomplete.

Costituiscono un plus

- Esperienza diretta con la spettroscopia NMR.
- Foundation model, self-supervised learning o apprendimento multimodale.
- Training distribuito e ottimizzazione su GPU.
- Cheminformatica (RDKit, rappresentazioni molecolari), elucidazione strutturale o predizione di proprietà.
- Uncertainty quantification e interpretabilità.
- MLOps, CI/CD e deployment in produzione.
- Pubblicazioni, codice open source o esperienza in startup o in contesti internazionali.

Questo ruolo non fa per te se…

- hai una forte formazione chimica o chemiometrica ma non hai mai addestrato una rete neurale in PyTorch o TensorFlow;
- hai una resistente esperienza in ML ma non hai mai lavorato con dati chimici o spettroscopici;
- cerchi un ruolo solo di ricerca o solo di engineering: qui servono entrambi.

Cosa offriamo

- RAL tra 28.000 € e 36.000 €.
- Equity
- Lavoro ibrido.
- Un giorno di ferie in più per il tuo compleanno.
- Un ambiente basato su fiducia e flessibilità, con pochissima burocrazia.
- Problemi scientifici difficili con un impatto diretto su prodotti e clienti.
Max. 8 MB. Formati Accettati: PDF, RTF, DOC, DOCX, ODT.